A Toolkit for Sustainable Educational Environment in the Modern AI Era: Guidelines for Mitigating the Misuse of GenAI in Assessments
Notice bibliographique
Résumé
Large Language Models (LLMs), utilised through a number of software tools, are now widely used by students to support their learning and complete their assignments. Evaluating the intellectual abilities of learners has always been an important component of assessment to gauge learning performance and learning outcomes, an aspect that has become challenging with the availability of LLMs. Nevertheless, the requirements of digital evaluation remain an important mechanism to support equality and integrity in academia, especially for authentic assessments. Educators require a methodology to evaluate the reliability of evaluating student performance; hence, Artificial Intelligence (AI) can also be used to guide assessment design methods. This study introduces a toolkit for a sustainable educational environment that leverages AI to mitigate the misuse of AI by students in completing their assignments and assessing their learning, while empowering professional degrees, such as engineering, to maintain their accreditation status. This article features views of prominent academics, researchers, distinguished scientists and professional services staff from various disciplines within Queen Mary University of London (QMUL), along with external national and international experts from both academia and industry, who discuss effective guidelines and learning practices to support fair assessment and reduce the misuse of AI by students in completing their assessments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,117 | 0,195 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,014 |
| Communication savante | 0,019 | 0,021 |
| Science ouverte | 0,007 | 0,024 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».